Suche

zur Hauptseite

Institute for Advanced Simulation (IAS)

Navigation und Service


IAS-Seminar "Identification of Climate Signals using Novel Robust Unsupervised Machine Learning Method"

Anfang
20.06.2018 14:00 Uhr
Ende
20.06.2018 15:00 Uhr
Veranstaltungsort
Jülich Supercomputing Centre, Hörsaal, Geb.16.3, R. 222
Referent:
Velimir V. Vesselinov, PhD, Computational Earth Sciences Group (EES-16), Los Alamos National Laboratory, USA
Abstract:

The integration of large datasets and powerful computational capabilities has resulted in the widespread use of machine learning (ML) methods in many research areas including geosciences. ML analyses allow for rigorous analyses of large datasets and complex model outputs with unprecedented efficiency and details. Recently, we have developed a novel unsupervised ML method based on Nonnegative Tensor Factorization coupled with custom clustering algorithm (called NTFk). NTFk allows for extracting meaningful and understandable features from multi-dimensional datasets. Here, we demonstrate applications of NTFk for various types of exploratory analyses related to earth sciences and hydrology.

For example, NTFk was applied to extracts interpretable features of model predicted air-temperature and water-table depth based on the climate simulations of Europe. NTFk identifies three dominant signals in the air-temperature tensor output: storm, winter, and summer. NTFk also identifies three dominant signals in the water-table tensor output: spring snowmelt, summer storms and seasonality fluctuations. NTFk also identifies additional temporal and spatial signals in the model predictions. The estimated signals are applied to find cross correlation between the model inputs and model predicted climate outputs.

NTFk applications are not limited to geosciences. NTFk can readily be applied to any observed or simulated datasets that can be represented as a tensor (multidimensional array) and have separable latent signatures or features. Frequently, these signatures/features are related to underlying physical processes governing the spatial and temporal variability in the data. Extracting these signatures and structure-preserving features can help the development of conceptual models, reduced-order models, and simplified closed-form mathematical expressions, which can then be used to predict the system behavior. Furthermore, NTFk analyses can be applied to detect anomalies or disruptions in the data, which might be caused by additional phenomena not detected in past. Lastly, unsupervised machine learning methods such as NTFk can be coupled with supervised machine learning methods to perform deep learning.

Zeit:
Mittwoch, 20. Juni 2018, 14.00 Uhr
Ort:
Jülich Supercomputing Centre, Hörsaal, Geb.16.3, R. 222
Ankündigung als pdf-Datei:
 Identification of Climate Signals using Novel Robust Unsupervised Machine Learning Method (PDF, 31 kB)

Ansprechpartner: Prof. Stefan Kollet, IBG-3


Servicemenü

Homepage

Logo

 

 

 

IHRE MEINUNG IST UNS WICHTIG!

 

Liebe Besucherin, lieber Besucher,

um unsere Website-Inhalte zukünftig noch besser an Ihre Bedürfnissen anzupassen und die Website damit noch attraktiver zu gestalten, möchten wir Ihnen heute ein paar kurze Fragen stellen.

Die Beantwortung der Fragen dauert ca. 10 Minuten.

Jetzt teilnehmen Nicht teilnehmen

Vielen Dank für Ihre Unterstützung!

 

Haben Sie im Moment keine Zeit oder haben Sie bereits an unserer Online-Befragung teilgenommen, dann können Sie das Fenster "hier" einfach schließen.

Wenden Sie sich bei Fragen rund um die Befragung gerne an: webumfrage@fz-juelich.de.

 

Ihr Team des Forschungszentrums Jülich

 

Hinweis: Zur anonymen Auswertung Ihrer Daten hat das Forschungszentrum Jülich das Markforschungsinstitut SKOPOS mit der Durchführung und Auswertung der Befragung beauftragt. SKOPOS handelt in übereinstimmung mit den gesetzlichen Bestimmungen zum Datenschutz und den Richtlinien des ADM (Arbeitskreis Deutscher Markt- und Sozialforschungsinstitute e.V.) und der ESOMAR (Europäische Gesellschaft für Meinungs- und Marketingforschung). Ihre Daten werden nicht an Dritte weitergegeben.